CN111445015A - 一种智能网联环境下非网联车位置估计方法 - Google Patents
一种智能网联环境下非网联车位置估计方法 Download PDFInfo
- Publication number
- CN111445015A CN111445015A CN202010542068.8A CN202010542068A CN111445015A CN 111445015 A CN111445015 A CN 111445015A CN 202010542068 A CN202010542068 A CN 202010542068A CN 111445015 A CN111445015 A CN 111445015A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- networked
- following
- data
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 101100042271 Mus musculus Sema3b gene Proteins 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种智能网联环境下非网联车辆位置估计方法,属于智能网联交通车辆位置感知技术领域,包括以下步骤:(1)获取高速公路上非网联‑网联跟驰车对中网联车辆在T时间段内的交通流数据;其中,非网联车为被跟驰车辆,网联车为跟驰车辆;所述交通流数据包括速度、加速度数据以及车辆编号;(2)对网联车辆的速度和加速度数据进行预处理;(3)基于BP神经网络利用网联车辆的速度和加速度数据估计非网联车辆的速度;(4)基于标定好的跟驰模型求解非网联车辆的位置。本发明利用智能网联车辆数据估计被网联车辆跟驰的非网联车辆位置,对高速公路非网联车辆位置数据感知具有重要意义,为提升高速公路主动管理水平提供了有力的技术支撑。
Description
技术领域
本发明涉及智能网联交通车辆位置感知技术领域,特别是一种智能网联环境下非网联车位置估计方法。
背景技术
准确而全面的交通数据是主动管理技术得到有效应用的基础。目前高速公路数据获取主要依赖于交调系统、手机检测器和视频检测器。随着智能网联技术的发展,高速公路上交通数据的采集将可以从断面和局部路段逐渐过渡到全路段覆盖。在智能网联交通系统中,智能网联车辆可利用LTE-V技术将车辆自身的位置、速度、加速度等数据实时上传到路侧设备,从而可以实现整个道路智能网联车辆的精准检测和实时预测。
智能网联技术的发展将从根本上改变目前高速公路数据采集与主动管理的现状,但智能网联的发展并非一蹴而就。在未来很长一段时间内将存在着普通车辆与智能网联车辆混行的状况。在这样的现实背景下,于有一定比例智能网联车辆的混合交通流环境中,利用智能网联车辆数据来估计非网联车辆的位置、速度等车辆信息,这不仅能提高高速公路混合交通流环境中的交通监测水平,而且能提升高速公路的主动管理水平,缓解交通拥堵,最终推动智能网联交通的发展,对智能交通的发展和经济社会进步具有十分重要的现实意义。
在混合交通流环境中,智能网联车的车辆位置、速度和加速度等数据可运用LTE-V通信方式获取,而非网联车的位置、速度和加速度则无法轻易获取,为了能对道路上非网联车的状态进行监控,提升交通感知水平,为此本发明提出了一种智能网联环境下非网联车位置估计方法。
发明内容
为了解决以上问题,本发明提供一种智能网联环境下非网联车位置估计方法,本发明的目的是在混合交通流环境中,根据交通流特性,利用智能网联车辆数据估计非网联车辆的位置。本发明对提升高速公路交通流数据感知水平具有重要意义。
为达此目的,本发明提供了一种智能网联环境非网联车位置估计方法,具体步骤如下:
(1)获取高速公路上非网联-网联跟驰车对中网联车辆在T时间段内的交通流数据;所述非网联-网联跟驰车对中,非网联车为被跟驰车辆,网联车为跟驰车辆;所述交通流数据包括速度、加速度数据以及车辆编号,其中,车辆编号是唯一确定该车辆的数据;
(2)对网联车辆的速度和加速度数据分别进行平滑和归一化预处理,得到预处理的速度和加速度数据;
(3)基于训练好的BP神经网络利用步骤(2)获得的预处理的速度和加速度数据估计非网联车辆的速度;
(4)基于标定好的智能驾驶员模型(IDM)利用步骤(3)估计的非网联车辆的速度求解非网联车辆的位置;
其中,智能驾驶员模型(IDM)采用人工蜂群算法利用高速公路历史交通流数据进行标定。
进一步地,所述步骤(1)中,交通流数据为或能转化为结构化数据。
进一步地,所述步骤(2)中包含如下步骤:
(2.1)基于sEMA方法对网联车辆的速度和加速度数据分别进行平滑处理;
(2.2)采用min-max标准化对网联车辆的速度和加速度数据分别进行归一化处理。
进一步地,所述步骤(3)中,将网联车辆前t秒时间内的速度和加速度数据序列构建为BP神经网络的输入向量,拟合非网联车辆的速度数据,t<T。
进一步地,所述步骤(4)中,智能驾驶员模型采用人工蜂群算法利用高速公路历史交通流数据进行标定,标定时以实际加速度与仿真加速度和实际轨迹与仿真轨迹误差之和最小为优化目标,目标方程为:
其中,m=1,…M表示第m个跟驰车对,n=1,…,N表示一个跟驰车对中第n个跟驰样本数
据;为跟驰车辆在仿真时间间隔结束时的实际观测到的加速度;为跟驰车辆在仿
真时间间隔结束时的仿真所得的加速度;表示在仿真时间间隔结束时的实际观测到
的跟驰车对的车头时距;表示在仿真时间间隔结束时的仿真所得的跟驰车对的车头
时距。
(4.3)根据网联车辆的位置、车辆长度以及(4.2)计算得到的车辆间隙求解非网联车辆的位置:
有益效果:
(1)在如今大力发展智能网联交通系统的背景下,本方法利用智能网联车辆数据估计非网联车辆的位置,提升混合交通流环境中的交通感知水平。
(2)从数据驱动角度出发,采用神经网络模型对非网联车辆的速度值进行拟合,再根据网联车辆的速度和加速度信息利用跟驰模型进行位置估计,使得非网联车辆的位置估计更为准确。
附图说明
图1为本发明方法的总体流程图。
图2为本发明方法的BP神经网络结构图。
图3为本发明方法的非网联车辆位置估计结果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种智能网联环境下非网联车位置估计方法,本发明的目的是从数据驱动角度出发,采用神经网络模型对非网联车辆的速度值进行拟合,再根据网联车辆的速度和加速度信息利用跟驰模型进行非网联车辆的位置估计。本发明对提升高速公路交通流数据感知水平具有重要意义。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
作为一个实施例,已知城市某高速公路交通流数据,共包含有25个字段,用以描述车辆的运动状态等信息(表1),利用本发明提供的方法计算非网联车辆的位置。
表1 某高速公路交通流数据字段表
字段 | 描述 | 字段 | 描述 |
Vehicle_ID | 车辆编号(按进入路段的时间递增)。 | Lane_ID | 车辆当前车道位置。车道1是最左边的车道;车道5是最右边的车道。6号车道是Ventura Boulevard入口匝道和CahuengaBoulevard出口匝道之间的辅助车道。7号车道是Ventura Boulevard入口匝道,8号车道是CahuengaBoulevard的出口匝道。 |
Frame_ID | 帧标识号(按开始时间递增) | O_Zone | 车辆的起点区域 |
Total_Frames | 车辆在此数据集中出现的总帧数 | D_Zone | 车辆的终点区域 |
Global_Time | 自1970年1月1日以来的经过时间(ms)。 | Int_ID | 车辆行驶的交叉口 |
Local_X | 车辆前部中心的横向(X)坐标相对于行进方向上的路段的最左边缘距离(ft) | Section_ID | 车辆行驶的路段部分 |
Local_Y | 车辆前部中心的纵向(Y)坐标相对于行进方向上的入口起点的距离(ft) | Direction | 车辆的行驶方向 |
Global_X | CA State Plane IIIin NAD83坐标系中的X坐标(ft) | Movement | 车辆的运动转向 |
Global_Y | CA State Plane IIIin NAD83坐标系中的Y坐标(ft) | Preceding | 同一车道中前车的车辆ID |
v_length | 车辆长度(ft) | Following | 同一车道中跟随着本车行驶的车辆ID |
v_Width | 车辆宽度(ft) | Space_Headway | 车头间距,车辆前部中心到前面车辆前部中心的距离(ft) |
v_Class | 车型:1-摩托车,2-汽车,3-卡车 | Time_Headway | 车头时距(s)= Space_Headway/ v_Vel |
v_Vel | 车辆的瞬时速度(ft/s) | Location | 街道或高速公路的名称 |
v_Acc | 车辆的瞬时加速度(ft/s<sup>2</sup>) |
如图1所示,运用本发明提出的智能网联环境下基于神经网络和IDM模型的非网联车位置估计方法,对非网联-网联跟驰车对中的非网联车辆进行位置估计,包括如下步骤:
(1)获取高速公路上非网联-网联跟驰车对中网联车辆在T时间段内的交通流数据;所述非网联-网联跟驰车对中,非网联车为被跟驰车辆,网联车为跟驰车辆;所述交通流数据包括速度、加速度数据以及车辆编号,其中,车辆编号是唯一确定该车辆的数据;
(2)对网联车辆的速度和加速度数据进行预处理,包括如下步骤:
(2.1)基于sEMA方法对网联车辆的速度和加速度数据进行平滑处理,具体如下:
式中平滑核定义为,为平滑核的平滑窗口,D为考虑了数据边界的平滑
窗口宽度。是网联车辆α在t i 时刻的运行参数,是平滑后网联车辆α在t i 时刻的
运行参数,例如速度、加速度、位置等。代表轨迹中数据点位置序号,其中为网联
车辆α的总帧数。H为平滑核的时间长度,dt为数据的采样间隔。
(2.2)采用min-max标准化对网联车辆的速度和加速度数据行归一化处理作为神经网络模型的输入。具体如下:
(3)将预处理后的网联车辆的速度和加速度数据序列构建为输入向量,基于BP神经网络拟合非网联车辆的速度数据。
本实例中,根据NGSIM公开数据集构建BP神经网络的训练集和测试集,提取5878501条跟驰车对数据作为神经网络模型的样本数据,跟驰车对中前车作为非网联车,后车为网联车。训练数据与测试数据的比例以7:3划分,随机选取70%数据作为训练数据,30%数据作为测试数据。
本实例中, BP神经网络为10-30-30-1的结构,其中10代表输入层,30-30代表隐含
层,1代表输出层。此时输入层变量为和,其中t i 代表当
前时刻,t i -4代表往前4个时间段的时刻。BP神经网络结构如图2所示。
(4)基于人工蜂群算法和高速公路历史交通流数据进行智能驾驶员模型标定;
智能驾驶员模型(IDM)模型表达形式如下式:
式中:s*为期望间距(m);a为最大加速度(m/s 2 );b为舒适减速度(m/s 2 );v f 为自由流速
度(m/s);δ为加速度指数,通常取4;s0为静止安全距离(m);s1为系数,一般取值为0;为车
辆间隙,即前车车尾到后车车头的距离(m);T0为安全时间间隔(s)。α为网联车编号,α-1为
非网联车编号,表示非网联车在前,网联车在后。
以实际加速度与智能驾驶员模型仿真计算所得加速度和实际轨迹与智能驾驶员模型仿真计算轨迹误差之和最小为优化目标,从而消除在参数标定的过程中加速度为零的影响。
目标方程为:
其中,m=1,…M表示第m个跟驰车对,n=1,…,N表示一个跟驰车对中第n个跟驰样本数据;
本实施例中,跟驰参数标定结果见表2。
表2 IDM模型参数与参数取值
(5)基于标定好的跟驰模型求解非网联车辆的位置,包括如下步骤:
(5.3)根据网联车辆的位置、车辆长度以及(5.2)计算得到的车辆间隙求解非网联车辆的位置:
在本实例中的非网联车辆位置估计结果见图3,其中横轴为时间步,纵轴为位置。从图中可以看出根据网联车的位置等信息,结合智能驾驶员模型可对非网联车位置进行较好的估计,该非网联车估计的均方根误差(Root Mean Square Error,RMSE)为5.4,其中RMSE计算公式为:
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (6)
1.一种智能网联环境非网联车位置估计方法,其特征在于,具体步骤如下:
(1)获取高速公路上非网联-网联跟驰车对中网联车辆在T时间段内的交通流数据;所述非网联-网联跟驰车对中,非网联车为被跟驰车辆,网联车为跟驰车辆;所述交通流数据包括速度、加速度数据以及车辆编号,其中,车辆编号是唯一确定该车辆的数据;
(2)对网联车辆的速度和加速度数据分别进行平滑和归一化预处理,得到预处理的速度和加速度数据;
(3)基于训练好的BP神经网络利用步骤(2)获得的预处理的速度和加速度数据估计非网联车辆的速度;
(4)基于标定好的智能驾驶员模型利用步骤(3)估计的非网联车辆的速度求解非网联车辆的位置;
其中,智能驾驶员模型采用人工蜂群算法利用高速公路历史交通流数据进行标定。
2.根据权利要求1所述的一种智能网联环境下非网联车位置估计方法,其特征在于:所述步骤(1)中,交通流数据为或能转化为结构化数据。
3.根据权利要求1所述的一种智能网联环境下非网联车位置估计方法,其特征在于:所述步骤(2)中包含如下步骤:
(2.1)基于sEMA方法对网联车辆的速度和加速度数据分别进行平滑处理;
(2.2)采用min-max标准化对网联车辆的速度和加速度数据分别进行归一化处理。
4.根据权利要求1所述的一种智能网联环境非网联车位置估计方法,其特征在于:所述步骤(3)中,将网联车辆前t秒时间内的速度和加速度数据序列构建为BP神经网络的输入向量,拟合非网联车辆的速度数据,t<T。
6.根据权利要求1所述的一种智能网联环境下非网联车位置估计方法,其特征在于:所述步骤(4)中求解非网联车辆的位置,具体包含如下步骤:
(4.3)根据网联车辆的位置、车辆长度以及(4.2)计算得到的车辆间隙求解非网联车辆的位置:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542068.8A CN111445015B (zh) | 2020-06-15 | 2020-06-15 | 一种智能网联环境下非网联车位置估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542068.8A CN111445015B (zh) | 2020-06-15 | 2020-06-15 | 一种智能网联环境下非网联车位置估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445015A true CN111445015A (zh) | 2020-07-24 |
CN111445015B CN111445015B (zh) | 2020-10-13 |
Family
ID=71655594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542068.8A Active CN111445015B (zh) | 2020-06-15 | 2020-06-15 | 一种智能网联环境下非网联车位置估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445015B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112817A (zh) * | 2021-04-13 | 2021-07-13 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于车联网和跟驰行为的隧道车辆定位和预警系统及其方法 |
CN114187759A (zh) * | 2021-11-19 | 2022-03-15 | 东南大学 | 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置 |
CN115547047A (zh) * | 2022-09-30 | 2022-12-30 | 中汽院智能网联科技有限公司 | 一种基于注意力模型的智能网联车跟驰模型 |
CN115691111A (zh) * | 2022-09-22 | 2023-02-03 | 连云港杰瑞电子有限公司 | 适用于交通流数据采集的网联车最小渗透率计算方法 |
CN116013101A (zh) * | 2023-03-27 | 2023-04-25 | 之江实验室 | 一种基于网联环境的无信号路口速度建议系统和方法 |
CN116758722A (zh) * | 2023-05-12 | 2023-09-15 | 湖南大学 | 一种基于数据驱动的混合交通环境网联车辆控制系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11201276A (ja) * | 1998-01-14 | 1999-07-27 | Denso Corp | 自動変速機の制御装置 |
US20030208313A1 (en) * | 2002-05-01 | 2003-11-06 | Wells Charles Hilliary | System for computing speeds and estimated arrival times for moving vehicles |
US20130191017A1 (en) * | 2009-11-16 | 2013-07-25 | Trimble Navigation Limited | Method and system for augmenting a guidance system with a path sensor |
CN106991846A (zh) * | 2017-05-15 | 2017-07-28 | 东南大学 | 一种车联网环境下的高速公路车辆强制换道控制方法 |
CN108039053A (zh) * | 2017-11-29 | 2018-05-15 | 南京锦和佳鑫信息科技有限公司 | 一种智能网联交通系统 |
CN108986471A (zh) * | 2018-06-22 | 2018-12-11 | 长安大学 | 混合交通条件下交叉口车辆引导方法 |
CN109978260A (zh) * | 2019-03-26 | 2019-07-05 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
CN110459053A (zh) * | 2019-07-29 | 2019-11-15 | 南京理工大学 | 基于智能网联车信息的高速公路混合车流速度估计方法 |
-
2020
- 2020-06-15 CN CN202010542068.8A patent/CN111445015B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11201276A (ja) * | 1998-01-14 | 1999-07-27 | Denso Corp | 自動変速機の制御装置 |
US20030208313A1 (en) * | 2002-05-01 | 2003-11-06 | Wells Charles Hilliary | System for computing speeds and estimated arrival times for moving vehicles |
US20130191017A1 (en) * | 2009-11-16 | 2013-07-25 | Trimble Navigation Limited | Method and system for augmenting a guidance system with a path sensor |
CN106991846A (zh) * | 2017-05-15 | 2017-07-28 | 东南大学 | 一种车联网环境下的高速公路车辆强制换道控制方法 |
CN108039053A (zh) * | 2017-11-29 | 2018-05-15 | 南京锦和佳鑫信息科技有限公司 | 一种智能网联交通系统 |
CN108986471A (zh) * | 2018-06-22 | 2018-12-11 | 长安大学 | 混合交通条件下交叉口车辆引导方法 |
CN109978260A (zh) * | 2019-03-26 | 2019-07-05 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
CN110459053A (zh) * | 2019-07-29 | 2019-11-15 | 南京理工大学 | 基于智能网联车信息的高速公路混合车流速度估计方法 |
Non-Patent Citations (2)
Title |
---|
李志伟: "智能网联车辆与普通车辆混合车流交通状态估计方法研究", 《中国优秀硕士论文全文数据库》 * |
李林恒等: "智能网联环境下基于安全势场理论的车辆跟驰模型", 《中国公路学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112817A (zh) * | 2021-04-13 | 2021-07-13 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于车联网和跟驰行为的隧道车辆定位和预警系统及其方法 |
CN114187759A (zh) * | 2021-11-19 | 2022-03-15 | 东南大学 | 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置 |
CN115691111A (zh) * | 2022-09-22 | 2023-02-03 | 连云港杰瑞电子有限公司 | 适用于交通流数据采集的网联车最小渗透率计算方法 |
CN115691111B (zh) * | 2022-09-22 | 2024-01-23 | 连云港杰瑞电子有限公司 | 适用于交通流数据采集的网联车最小渗透率计算方法 |
CN115547047A (zh) * | 2022-09-30 | 2022-12-30 | 中汽院智能网联科技有限公司 | 一种基于注意力模型的智能网联车跟驰模型 |
CN115547047B (zh) * | 2022-09-30 | 2024-08-20 | 中汽院智能网联科技有限公司 | 一种基于注意力模型的智能网联车跟驰模型 |
CN116013101A (zh) * | 2023-03-27 | 2023-04-25 | 之江实验室 | 一种基于网联环境的无信号路口速度建议系统和方法 |
CN116013101B (zh) * | 2023-03-27 | 2023-06-20 | 之江实验室 | 一种基于网联环境的无信号路口速度建议系统和方法 |
CN116758722A (zh) * | 2023-05-12 | 2023-09-15 | 湖南大学 | 一种基于数据驱动的混合交通环境网联车辆控制系统及方法 |
CN116758722B (zh) * | 2023-05-12 | 2024-05-31 | 湖南大学 | 一种基于数据驱动的混合交通环境网联车辆控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111445015B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445015B (zh) | 一种智能网联环境下非网联车位置估计方法 | |
CN108492562B (zh) | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 | |
CN108820039B (zh) | 一种无人驾驶车辆弯道横向控制系统及方法 | |
WO2018064931A1 (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
CN107492251A (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
JP4229141B2 (ja) | 車両状態量推定装置及びその装置を用いた車両操舵制御装置 | |
CN105006147B (zh) | 一种基于道路时空关联关系的路段行程时间推断方法 | |
CN109275121B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 | |
Hoogendoorn et al. | Longitudinal driving behavior under adverse weather conditions: Adaptation effects, model performance and freeway capacity in case of fog | |
CN110395258A (zh) | 路面状态推断装置以及路面状态推断方法 | |
CN104537209B (zh) | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 | |
DE112010003678T5 (de) | Fahrbewertungssystem, am fahrzeug montierte maschine und informationsverarbeitungszentrum | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN108335483A (zh) | 交通拥堵扩散路径的推断方法及其系统 | |
Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN108665191A (zh) | 基于聚集效应的地铁站外关联区域计算方法 | |
CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
CN113859226B (zh) | 一种基于强化学习的运动规划与自动泊车方法 | |
CN109376331A (zh) | 一种基于梯度提升回归树的城市公交车排放率估计方法 | |
CN113051765A (zh) | 一种基于虚拟场景变换的智能驾驶车辆车路在环测试方法 | |
Suh et al. | Vehicle speed prediction for connected and autonomous vehicles using communication and perception | |
CN114454878A (zh) | 车速控制模型训练样本的确定方法及装置 | |
CN108615362A (zh) | 一种5g车联网环境下的道路交通流参数提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |